Kan AI förutse brottslighet baserat på historiska data, vädermönster och annan sensordata ?

AI kan nu producera korttidsprognoser för lokal brottslighetsrisk genom att kombinera historiska incidentdata med realtidsflöden som väder, fotgängarsensorer, sociala medier och till och med ljudsensorer för skottlossning. Moderna system använder spatiotemporala djupinlärningsmodeller (t.ex. grafnätverk över geografiska rutnät och transformerbaserade sekvensinlärningsmodeller) som överträffar äldre statistiska metoder på flera kommunala dataset, med 15–30 % förbättringar i precision-recall-mått för uppgiften att förutsäga hetfläckar för nästa skift. Dessa verktyg används i ett fåtal amerikanska och europeiska städer, främst för resursfördelning snarare än individinriktad riktning, och de utvärderas kontinuerligt för rättvisa och partiskhet mot underbetjänade områden. För närvarande är medellånga prognoser (veckor eller månader framåt) långt mindre tillförlitliga, och de flesta myndigheter behandlar AI-utdata som beslutsstöd snarare än definitiva bevis.

— Uppdaterad 12 maj 2026 · Källa: National Institute of Justice — https://nij.ojp.gov/topics/articles/predictive-policing-what-we-know-and-what-we-need-know